Differenze nei risultati GRR tra JMP e MINTABQuesto problema ha causato confusione per molto tempo e non è stato ancora risolto in modo sostanziale.
0. I risultati dell'analisi della varianza sono esattamente gli stessi, eccetto che i risultati delle componenti della varianza sono diversi. Tuttavia, MINITAB eseguirà due analisi della varianza (con e senza interazione).
1. La guida di Minitab ha le seguenti formule per il metodo di calcolo dei componenti di varianza, ma non spiega di che metodo si tratta, EMS o REML. Secondo la mia verifica, quando appare un valore negativo, verrà forzato a 0. La guida di JMP non spiega il metodo di calcolo specifico dei componenti di varianza.
2. In JMP, ci saranno due risultati di componenti di varianza come mostrato nella figura sottostante, e i risultati sono anche diversi. Non so perché.
3. Una cosa è certa: i risultati del MINITAB sono coerenti con quelli del manuale MSA.
Ingegneria della qualità e dei processiRe: Differenze nei risultati GRR tra JMP e MINTABHai letto la documentazione JMP?
Ci sono anche post della community su questo argomento:
È anche possibile forzare JMP ad avere risultati simili a quelli di Minitab, ma in parte è necessario crearne uno script (forzare l'uso di EMS, eliminare l'interazione...).
Re: Differenze nei risultati GRR tra JMP e MINTABGrazie, li ho letti.
So che ci sono tre metodi: EMS, REML e Bayes. Con l'aiuto di JMP, se i dati sono bilanciati e non ci sono valori negativi, verrà utilizzato il metodo EMS. Ma non può ancora ottenere lo stesso risultato di MINITAB. Puoi provarlo.
Re: Differenze nei risultati GRR tra JMP e MINTABCiao @Xinghua : non sono sicuro di aver risposto alla tua domanda.
1. La formula che vedi da Minitab è EMS. E non ci sono formule in forma chiusa per REML; la soluzione REML si trova numericamente.
2. La sezione Var Comp per Gage R&R in JMP si basa sulla somma dei componenti della varianza nei componenti della varianza nella sezione precedente.
Ripetibilità = Entro
Riproducibilità = Ispettore + Ispettore*Campioni
Parte a parte = Campioni
E Gage R&R = Ripetibilità + Riproducibilità
In che cosa i Var Comps in Minitab differiscono da quelli in JMP?
Re: Differenze nei risultati GRR tra JMP e MINTAB
Grazie mille. Non sono uno statistico professionista. Voglio solo sapere come rispondere ai clienti quando chiedono informazioni su risultati incoerenti. L'algoritmo di MINITAB è coerente con il manuale AIAG MSA.
Inoltre, secondo la descrizione della guida JMP, quando i dati sono bilanciati e le componenti di varianza calcolate non sono negative, verrà utilizzato il metodo EMS. Ma secondo la mia verifica, i risultati di MINITAB e JMP sono sempre diversi. In genere, eseguiamo GRR con 3 persone * 3 volte * 10 campioni.
Re: Differenze nei risultati GRR tra JMP e MINTABCiao @Xinghua : se utilizzo il set di dati "2 Factors Crossed" nella cartella Variability Data nella cartella JMP Sample Data, JMP fornisce esattamente gli stessi risultati di Minitab.
Re: Differenze nei risultati GRR tra JMP e MINTABGrazie. Ho controllato e sono esattamente come hai detto. Ho notato che il suo effetto di interazione è significativo (ispettori * parti). Nel processo effettivo, non ho mai visto un effetto di interazione significativo.
Questa potrebbe essere la causa principale della differenza, perché se l'effetto di interazione non è significativo in MINITAB, ci saranno altri metodi di calcolo di tipo diverso. Continuerò a verificarlo.
Re: Differenze nei risultati GRR tra JMP e MINTABL'ho verificato di nuovo. Il suo effetto di interazione non è significativo.
Dopo aver forzato l'inclusione dell'effetto dell'interazione nella componente della varianza (anche se l'effetto dell'interazione non è significativo nell'ANOVA), i risultati di JMP ed EXCEL sono esattamente gli stessi.
Questo potrebbe essere un errore di MINITAB, perché il manuale AIAG MSA non menziona "Quando l'effetto dell'interazione non è significativo, come...".
Re: Differenze nei risultati GRR tra JMP e MINTABCiao @Xinghua : non sono così sicuro di etichettare questo genere di cose come "errori". Mentre il manuale AIAG MSA è un riferimento comune per questo genere di problemi, non dovrebbe essere considerato corretto a scapito di altri metodi e altri modi di affrontare il problema. E si potrebbe sostenere in entrambi i casi se includere o meno l'interazione, se non è "significativa".
Detto questo, riconosco anche il tuo dilemma; come rispondi ai clienti quando chiedono informazioni su risultati incoerenti? Il metodo EMS è un metodo più vecchio di REML ecc.; può essere implementato senza alcun tipo di algoritmo numerico sofisticato. vale a dire, ci sono formule. Non è il metodo "migliore" né è l'unico metodo. È, tuttavia, semplice e adatto allo scopo (da qui il suo fascino in tali manuali). Includere o non includere il termine di interazione? Bella domanda. Non voglio avventurarmi troppo in quella tana del Bianconiglio. Ma il caso di non includerlo è semplice; se l'effetto di interazione è trascurabile (come si potrebbe dedurre dal fatto che non è significativo), perché includerlo? D'altra parte, se pensiamo all'analisi delle componenti della varianza come a un problema di stima (piuttosto che a un problema di verifica della significatività), allora si può sostenere l'inclusione dell'interazione (indipendentemente dalla significatività).
Re: Differenze nei risultati GRR tra JMP e MINTABCi sono diversi modi per affrontare qualsiasi problema. Chiedi a 10 persone diverse e otterrai 10 risposte diverse, nessuna delle quali sbagliata. (Immagino a meno che la persona a cui stai chiedendo non sia semplicemente disinformata.)
Per casi come questo, devi usare il metodo che il tuo cliente ti chiede di usare. Semplice. Se vogliono il metodo manuale MSA, daglielo. Se vogliono Minitab, daglielo. Se vogliono JMP, daglielo. Se hanno un modello Excel, usalo. Ecc.
Ora, per la tua approvazione interna dei sistemi di misurazione in cui puoi impostare il metodo, scegli semplicemente quello con cui hai più familiarità. Se un sistema di misurazione è buono, dovrebbe superare tutti i metodi.
Personalmente mi piacciono gli approcci di Wheeler e il modo di valutare i sistemi di misurazione tramite un grafico di controllo. È diretto e facile da capire e applicare. Tutte queste statistiche enumerative creano confusione e inutili dibattiti, come hai dimostrato.
Buona fortuna, adoro la comunità qui e sembra che sia stato svolto un buon lavoro di indagine per confrontare tutti i metodi. Un effetto di interazione significativo significa che l'MSA fallisce comunque. Non vorremmo mai che la misurazione della parte dipendesse da chi ha eseguito la misurazione. Quindi, se la differenza tra JMP e Minitab è causata solo da un effetto di interazione significativo, allora non importa quali siano i numeri del valore p o della somma dei quadrati. L'MSA fallisce, fine della storia. Apporta alcuni miglioramenti al metodo in modo da ottenere gli stessi risultati da tutti gli operatori e quindi rifai l'MSA per confermare che ora passa senza un'interazione significativa.
Re: Differenze nei risultati GRR tra JMP e MINTABCiao @Xinghua e @MRB3855 ,
Mi dispiace intromettermi, ma volevo fornire alcuni commenti sulla discussione qui:
- IMHO, la "scelta" di analizzare i tuoi esperimenti con o senza interazioni (con interazione "operatore*parte" ad esempio) è imposta dal modo in cui hai progettato i tuoi esperimenti. Se hai generato un DoE per il tuo studio MSA in cui le interazioni a 2 fattori sono incluse nel modello assunto, dovresti analizzare i tuoi risultati MSA con questa interazione, indipendentemente dal fatto che questa interazione sia statisticamente significativa o meno.
Non è una questione di costruzione/perfezionamento del modello, ma di valutazione delle fonti di varianza sulla base di una serie specifica di esperimenti che rispondono a un'esigenza specifica.
- Distinguere la significatività statistica dalla significatività pratica; in questa situazione MSA stai studiando l'importanza relativa delle fonti di varianza come ripetibilità, riproducibilità... Una fonte di varianza che non è statisticamente significativa può comunque essere praticamente significativa! La valutazione richiede competenza di dominio correlata all'attrezzatura studiata per valutare, valutare e convalidare la ripartizione delle fonti di varianza e la dimensione/ampiezza relativa di queste varianze.
- La comunicazione e la visualizzazione sono fondamentali. Come menzionato da @awelsh , se devi comunicare i tuoi risultati (e in particolare a non statistici/data scientist), non sono sicuro che fornire risultati di analisi grezzi abbia senso per loro (e confrontare i risultati tra due software alla cifra decimale è irrilevante per loro). I grafici Average e Range/StdDev sono utili per rilevare problemi correlati a ripetibilità e riproducibilità (se presenti):
Ciò che gli stakeholder vogliono sapere sono i risultati pratici della tua analisi: quali sono le principali fonti di variazione? Se l'attrezzatura/risposta è altamente rumorosa, su quale aspetto (ripetibilità/riproducibilità) devono concentrare i loro sforzi? Se hanno diversi protocolli/risposte, come si comportano l'uno rispetto all'altro?
Su quest'ultimo punto, mi piacciono molto anche le classi Wheeler come @awelsh , perché con la visualizzazione puoi mostrare e classificare molto rapidamente diverse risposte in base alla loro "qualità informativa" (qui un esempio su un caso d'uso reale anonimizzato):
Trovo che sia molto più chiaro capire, confrontare e classificare le diverse risposte.
- MSA è una raccolta di buone pratiche e linee guida, ma a seconda del contesto e delle impostazioni del settore, potresti avere norme, linee guida o restrizioni diverse da rispettare. Coinvolgi esperti del settore e stakeholder per adattare la tua metodologia alle reali condizioni ambientali. La selezione (e il numero) delle diverse parti è particolarmente cruciale, poiché potresti finire con uno studio MSA fallito se i tuoi lotti/parti sono troppo vicini/simili tra loro e non rappresentativi della popolazione, perché la varianza correlata alla riproducibilità e alla ripetibilità può apparire "gonfiata" rispetto alla componente di varianza da parte a parte.
Questi punti non risponderanno alle tue domande dirette, ma li ho trovati pragmatici e razionali quando ho avuto a che fare con gli studi MSA. Sono sicuro che anche @statman avrebbe molto da dire.
Re: Differenze nei risultati GRR tra JMP e MINTABGrazie mille.
Per quanto riguarda il metodo Wheeler che hai menzionato, ti riferisci all'EMP?
Re: Differenze nei risultati GRR tra JMP e MINTABSì, e mi riferisco in particolare alla Legenda della classificazione del monitor, che fa parte del rapporto sui risultati EMP .
Offre un modo sintetico per mostrare, confrontare e classificare diverse apparecchiature in base alla loro capacità di rilevare la potenza di un segnale.
